我想获得预测的标准误差。使用 R glm，我可以获得适合特定预测的 SE：
mod <- glm(y~wa_WSI, data=mydata, family=gaussian(link="identity"))
predict.glm(mod,newdata=newdata, type="response", se.fit=T)
但是当我将预测与实际值进行比较时，这个数字似乎太小了。我找到了“估计的标准误差”的公式，它是，其中是残差平方和，是数据点的数量，是回归。这给了我一个更大的结果，但不是一个单一的预测。
我的问题是，SE 公式是否高于我应该使用的公式，有没有办法从 R 给我的值中得到它，se.fit以便它特定于特定的预测？
我想对非正态分布和非身份链接函数发表评论。
se.fit=T产生预测的标准误差，即预测值的不确定性度量。通过中心值定理之一，可以假设该预测在链路尺度上是正态分布的，因此其标准误差可以作为正态分布的标准偏差给出。
使用 时type="response"，使用反链接函数对预测进行反向转换（例如plogis，对于 logit-link）。使用type="response"and se.fit=T产生无意义的值，因为它只返回响应范围内的一组标准误差。由于链接函数是非线性的，因此链接尺度上的对称误差在响应尺度上必须是不对称的。因此，在使用非身份链接函数时，我们可以选择type="response" 或，但不能同时选择两者。 se.fit=T（我不明白为什么predict.glm没有编程在这种情况下抛出错误。）
如果不知道更多关于什么是很难回答mod的。这就是为什么我们建议一个可重现的例子。
如果mod是与“高斯”族（默认）拟合的 glm，那么它只是一个线性模型，您可以使用predict.lm它的interval参数可以设置为“预测”来计算预测间隔。
如果modglm 与非高斯族拟合，那么预测标准误差的概念甚至可能没有意义（当预测都是 TRUE/FALSE 时的预测区间是多少？）。
如果您可以提供更多详细信息（可重复的示例和明确说明您想要什么），那么我们将有更好的机会提供有用的答案。